Изменил(а) на 'labworks/LW2/LW2_variant2.md'
Этот коммит содержится в:
@@ -711,6 +711,87 @@ AE2 обнаружил аномалий: 0.0 из 4
|
|||||||
|
|
||||||
### Пункт №9. Применение автокодировщиков к тестовым данным.
|
### Пункт №9. Применение автокодировщиков к тестовым данным.
|
||||||
|
|
||||||
|
```python
|
||||||
|
print("="*70)
|
||||||
|
print("ПРИМЕНЕНИЕ AE1 И AE2 К ТЕСТОВЫМ ДАННЫМ")
|
||||||
|
print("="*70)
|
||||||
|
|
||||||
|
data_test = np.loadtxt('data_test.txt', dtype=float)
|
||||||
|
print(f"Загружена тестовая выборка: {len(data_test)} точек")
|
||||||
|
|
||||||
|
print("\nТЕСТОВЫЕ ТОЧКИ:")
|
||||||
|
for i, point in enumerate(data_test):
|
||||||
|
print(f" Точка {i+1}: [{point[0]:.3f}, {point[1]:.3f}]")
|
||||||
|
|
||||||
|
print("\n" + "="*50)
|
||||||
|
print("ПРИМЕНЕНИЕ AE1 К ТЕСТОВЫМ ДАННЫМ")
|
||||||
|
print("="*50)
|
||||||
|
|
||||||
|
predicted_labels1, ire1 = lib.predict_ae(ae1_trained, data_test, IREth1)
|
||||||
|
|
||||||
|
print("РЕЗУЛЬТАТЫ AE1:")
|
||||||
|
print("Точка | Координаты | IRE | Порог | Статус")
|
||||||
|
print("-" * 55)
|
||||||
|
for i in range(len(data_test)):
|
||||||
|
ire_val = ire1[i][0] if len(ire1.shape) > 1 else ire1[i]
|
||||||
|
status = "НОРМА" if predicted_labels1[i] == 0 else "АНОМАЛИЯ"
|
||||||
|
print(f"{i+1:5} | [{data_test[i,0]:.3f}, {data_test[i,1]:.3f}] | {ire_val:.4f} | {IREth1:.4f} | {status}")
|
||||||
|
|
||||||
|
lib.ire_plot('test', ire1, IREth1, 'AE1')
|
||||||
|
|
||||||
|
print("\n" + "="*50)
|
||||||
|
print("ПРИМЕНЕНИЕ AE2 К ТЕСТОВЫМ ДАННЫМ")
|
||||||
|
print("="*50)
|
||||||
|
|
||||||
|
predicted_labels2, ire2 = lib.predict_ae(ae2_trained, data_test, IREth2)
|
||||||
|
|
||||||
|
print("РЕЗУЛЬТАТЫ AE2:")
|
||||||
|
print("Точка | Координаты | IRE | Порог | Статус")
|
||||||
|
print("-" * 55)
|
||||||
|
for i in range(len(data_test)):
|
||||||
|
ire_val = ire2[i][0] if len(ire2.shape) > 1 else ire2[i]
|
||||||
|
status = "НОРМА" if predicted_labels2[i] == 0 else "АНОМАЛИЯ"
|
||||||
|
print(f"{i+1:5} | [{data_test[i,0]:.3f}, {data_test[i,1]:.3f}] | {ire_val:.4f} | {IREth2:.4f} | {status}")
|
||||||
|
|
||||||
|
lib.ire_plot('test', ire2, IREth2, 'AE2')
|
||||||
|
|
||||||
|
lib.plot2in1_anomaly(data, xx, yy, Z1, Z2, data_test)
|
||||||
|
```
|
||||||
|
|
||||||
|
**Результат выполнения:**
|
||||||
|
|
||||||
|
```
|
||||||
|
Загружена тестовая выборка: 4 точек
|
||||||
|
|
||||||
|
ТЕСТОВЫЕ ТОЧКИ:
|
||||||
|
Точка 1: [5.030, 5.002]
|
||||||
|
Точка 2: [5.002, 5.030]
|
||||||
|
Точка 3: [5.025, 5.008]
|
||||||
|
Точка 4: [5.018, 5.012]
|
||||||
|
|
||||||
|
РЕЗУЛЬТАТЫ AE1:
|
||||||
|
Точка | Координаты | IRE | Порог | Статус
|
||||||
|
-------------------------------------------------------
|
||||||
|
1 | [5.030, 5.002] | 0.0300 | 0.0679 | НОРМА
|
||||||
|
2 | [5.002, 5.030] | 0.0200 | 0.0679 | НОРМА
|
||||||
|
3 | [5.025, 5.008] | 0.0200 | 0.0679 | НОРМА
|
||||||
|
4 | [5.018, 5.012] | 0.0100 | 0.0679 | НОРМА
|
||||||
|
|
||||||
|
РЕЗУЛЬТАТЫ AE2:
|
||||||
|
Точка | Координаты | IRE | Порог | Статус
|
||||||
|
-------------------------------------------------------
|
||||||
|
1 | [5.030, 5.002] | 0.0200 | 0.0603 | НОРМА
|
||||||
|
2 | [5.002, 5.030] | 0.0200 | 0.0603 | НОРМА
|
||||||
|
3 | [5.025, 5.008] | 0.0100 | 0.0603 | НОРМА
|
||||||
|
4 | [5.018, 5.012] | 0.0100 | 0.0603 | НОРМА
|
||||||
|
```
|
||||||
|
|
||||||
|

|
||||||
|

|
||||||
|

|
||||||
|
|
||||||
|
### Пункт №10. Визуализация элементов обучающей и тестовой выборки в областях пространства признаков.
|
||||||
|
|
||||||
```python
|
```python
|
||||||
print("="*70)
|
print("="*70)
|
||||||
print("ВИЗУАЛИЗАЦИЯ ОБУЧАЮЩЕЙ И ТЕСТОВОЙ ВЫБОРКИ")
|
print("ВИЗУАЛИЗАЦИЯ ОБУЧАЮЩЕЙ И ТЕСТОВОЙ ВЫБОРКИ")
|
||||||
@@ -819,14 +900,14 @@ print("- out/comparison_visualization.png")
|
|||||||
|
|
||||||

|

|
||||||
|
|
||||||
### Пункт №10. ТАБЛ. 1 РЕЗУЛЬТАТЫ ЗАДАНИЯ №1
|
### Пункт №11. ТАБЛ. 1 РЕЗУЛЬТАТЫ ЗАДАНИЯ №1
|
||||||
|
|
||||||
| Модель | Количество скрытых слоев | Количество нейронов в скрытых слоях | Количество эпох обучения | Ошибка MSE_stop | Порог ошибки реконструкции | Значение показателя Excess | Значение показателя Approx | Количество обнаруженных аномалий |
|
| Модель | Количество скрытых слоев | Количество нейронов в скрытых слоях | Количество эпох обучения | Ошибка MSE_stop | Порог ошибки реконструкции | Значение показателя Excess | Значение показателя Approx | Количество обнаруженных аномалий |
|
||||||
|--------|--------------------------|-------------------------------------|--------------------------|-----------------|----------------------------|----------------------------|----------------------------|-----------------------------------|
|
|--------|--------------------------|-------------------------------------|--------------------------|-----------------|----------------------------|----------------------------|----------------------------|-----------------------------------|
|
||||||
| AE1 | 1 | [1] | ~700 | 0.009176 | 0.067896 | 0.0000 | 0.009176 | 0 |
|
| AE1 | 1 | [1] | ~700 | 0.009176 | 0.067896 | 0.0000 | 0.009176 | 0 |
|
||||||
| AE2 | 5 | [3, 2, 1, 2, 3] | ~4600 | 0.004918 | 0.060338 | 0.0000 | 0.004918 | 0 |
|
| AE2 | 5 | [3, 2, 1, 2, 3] | ~4600 | 0.004918 | 0.060338 | 0.0000 | 0.004918 | 0 |
|
||||||
|
|
||||||
### Пункт №11. Выводы.
|
### Пункт №12. Выводы.
|
||||||
|
|
||||||
**Вывод:**
|
**Вывод:**
|
||||||
```
|
```
|
||||||
|
|||||||
Ссылка в новой задаче
Block a user